PyTorch图神经网络（六）
第十章讲的是使用图神经网络来预测链接，这里直接跳过传统方法。
1.VGAE
VGAE是通过编码器-解码器的形式来对链接进行预测。通过VGAE对节点的特征进行编码，然后通过GCN层来聚合相邻节点的特征，最终能够得到每个节点的隐向量，通过预测节点隐向量的相似度来预测边的存在性，最终预测得到的比原来多的边就是可能存在的边。
损失函数：预测得到的边与真实的邻接矩阵的差。
2.SEAL
SEAL是一种基于子图结构的链接预测模型。他通过提取目标节点以及周围k跳的子图作为输入，通过网络学习子图结构来预测，具体为：
1.封闭子图提取：包括采用一组真实链接和一组假链接来形成训练数据；
2.节点信息矩阵构建：涉及3个组成部分：节点标签，节点嵌入和节点特征。
3.图神经网络训练：以节点信息矩阵为输入，输出链接概率。
这里最重要的就是第二部分的理解：
1.节点标签：为每个节点分配一个特定的编号，并嵌入了距离。
2.节点嵌入：通过模型学习到的节点低维向量；
3.节点特征：节点本身的特征；
然后，使用节点信息矩阵和邻接矩阵来预测链接。
最终输出的是两个点之间存在边的概率，损失函数和上面基本一致。